Abstract:Abstract: The online exam system is used to evaluate student learning, but it has some limitations. Therefore, it is necessary to research the user satisfaction of the system. This study aims to assess user satisfaction…
using the End User Computing Satisfaction (EUCS), Importance Performance Analysis (IPA), and Customer Satisfaction Index (CSI) methods. The results showed that three dimensions, namely, accuracy, ease of use, and timeliness significantly affected user satisfaction, while content and format did not have a significant effect. IPA analysis shows the majority of attributes (12 attributes) are in quadrant II, which indicates moderate satisfaction, 11 attributes in quadrant III, one attribute in quadrant I, and three attributes in quadrant IV. CSI concluded that the online exam system provides satisfactory service with a score of 77.54%.
Keywords: csi; eucs; ipa; online exam system; user satisfaction
Abstrak: Sistem ujian online digunakan untuk mengevaluasi pembelajaran mahasiswa, tetapi sistem ini memiliki beberapa keterbatasan. Karena itulah perlu penelitian kepuasan pengguna sistem tersebut. Penelitian ini bertujuan menilai kepuasan pengguna dengan menggunakan metode End User Computing Satisfaction (EUCS), Importance Performance Analisys (IPA), dan Customer Satisfaction Index (CSI). Hasil riset menunjukkan tiga dimensi yaitu, akurasi, kemudahan penggunaan, dan ketepatan waktu signifikan mempengaruhi kepuasan pengguna, sementara konten dan format tidak berpengaruh signifikan. Analisis IPA menunjukkan mayoritas atribut (12 atribut) berada di kuadran II, yang mengindikasikan kepuasan sedang, 11 atribut di kuadran III, satu atribut di kuadran I, dan tiga atribut di kuadran IV. CSI menyimpulkan sistem ujian online memberikan layanan yang memuaskan dengan skor 77,54%.
Kata kunci: csi; eucs; ipa; kepuasan pengguna; sistem ujian online
Abstract:Abstract: This research focuses on technology and integration tools for IoT environments, with an emphasis on three main aspects: the integration of Building Information Modeling (BIM) and IoT, the utilization of real-time…
me data, and the urban IoT framework. The integration of BIM and IoT enables a smarter and more efficient building management system by utilizing IoT data to monitor real-time building conditions and improve maintenance and operational processes. This research seeks to identify challenges and solutions for technology integration in increasingly complex IoT environments, while also offering guidance for practical implementation in the urban and building sectors. In this research, we use a literature analysis approach, the main process is to identify relevant sources, including articles, journals, conferences, books, and industry reports published in the last five years. The results of this study are an implication that the application of IoT device integration with BIM can help improve operational and maintenance efficiency, optimize construction management, improve safety and mitigate risks in a company.
Keywords: building informations modelling(BIM); environment; internet of things(IoT)
Abstrak: Penelitian ini berfokus pada teknologi dan alat integrasi untuk lingkungan IoT, dengan penekanan pada tiga aspek utama: integrasi Building Information Modeling (BIM) dan IoT, pemanfaatan data real-time, dan kerangka kerja IoT perkotaan. Integrasi antara BIM dan IoT memungkinkan sistem manajemen bangunan yang lebih cerdas dan efisien dengan memanfaatkan data IoT untuk memantau kondisi real-time bangunan serta memperbaiki proses pemeliharaan dan operasional. Penelitian ini berupaya mengidentifikasi tantangan dan solusi integrasi teknologi dalam lingkungan IoT yang semakin kompleks, sekaligus menawarkan panduan untuk penerapan praktis di sektor perkotaan dan bangunan. Pada penelitian ini kami menggunakan metode pendekatan analisis literatur, proses utamanya adalah dengan mengidentifikasi sumber sumber relevan, meliputi artikel, jurnal, konferensi, buku, dan laporan industri yang dipublikasikan dalam lima tahun terakhir. Hasil dari penelitian ini yaitu didapatkan sebuah implikasi bahwa penerapan pengintegrasian perangkat IoT denan BIM dapat membantu meningkatkan efisiensi operasional dan pemeliharaan, optimasi manajemen kontruksi, peningkatan keselamatan dan mitigasi resiko pada sebuah perusahaan.
Kata kunci: building informations modelling(BIM); environment; internet of things(IoT)
Abstract:Abstract: Welfare is one of the things that determines the progress of a region, to achieve the welfare of its people, especially in the economic sector, a technique is needed to measure welfare that continues to change.…
This study aims to analyze the differences in the level of community welfare in Central Java Province by grouping regions based on several indicators. Grouping is done using data from various sources that include the main indicators of welfare. The method used in this study uses the K-Means data mining algorithm to group regional data according to their level of welfare. The results of the analysis divide the regions into three categories: Medium Welfare Level, which includes Banyumas, Purworejo, Boyolali, Klaten, Sukoharjo, Karanganyar, Sragen, Kudus, Jepara, Demak, Semarang, Kendal, and Pekalongan City and Tegal City, High Welfare Level, consisting of Magelang City, Surakarta City, Salatiga City, and Semarang City; and Low Welfare Level, covering Cilacap, Purbalingga, Banjarnegara, Kebumen, Wonosobo, Magelang, Wonogiri, Grobogan, Blora, Rembang, Pati, Temanggung, Batang, Pekalongan, Pemalang, Tegal, and Brebes Regencies. The findings show that the C2 region has a longer average length of schooling, higher per capita expenditure, and better HDI, reflecting a higher quality of life. This study provides an overview of welfare inequality in Central Java Province and suggests the need for more focused policies to improve the quality of life in each category of region.
Keywords: clustering; k-means; welfare
Abstrak: Kesejahreraan merupakan salah satu hal yang menentukan kemajuan suatu wilayah, untuk mencapai kesejahteraan masyarakatnya terutama di bidang ekonomi di perlukan teknik untuk mengukur kesejahteraan yang terus berubah, Penelitian ini bertujuan untuk menganalisis perbedaan tingkat kesejahteraan masyarakat di Provinsi Jawa Tengah dengan mengelompokkan wilayah berdasarkan beberapa indikator. Pengelompokan dilakukan menggunakan data dari berbagai sumber yang mencakup indikator-indikator utama kesejahteraan. Metode yang di gunakan dalam penelitian ini menggunakan algoritma data mining K-Means untuk mengelompokkan data wilayah menurut tingkat kesejahteraannya. Hasil analisis membagi wilayah menjadi tiga kategori: Tingkat Kesejahteraan Sedang, yang mencakup Kabupaten Banyumas, Purworejo, Boyolali, Klaten, Sukoharjo, Karanganyar, Sragen, Kudus, Jepara, Demak, Semarang, Kendal, serta Kota Pekalongan dan Kota Tegal, Tingkat Kesejahteraan Tinggi, terdiri dari Kota Magelang, Kota Surakarta, Kota Salatiga, dan Kota Semarang; dan Tingkat Kesejahteraan Rendah, mencakup Kabupaten Cilacap, Purbalingga, Banjarnegara, Kebumen, Wonosobo, Magelang, Wonogiri, Grobogan, Blora, Rembang, Pati, Temanggung, Temuan menunjukkan bahwa wilayah C2 memiliki rata-rata lama sekolah yang lebih panjang, pengeluaran per kapita yang lebih tinggi, dan IPM yang lebih baik, mencerminkan kualitas hidup yang lebih tinggi. Penelitian ini memberikan gambaran tentang ketidakmerataan kesejahteraan di Provinsi Jawa Tengah dan menyarankan perlunya kebijakan yang lebih terfokus untuk meningkatkan kualitas hidup di setiap kategori wilayah.
Kata Kunci: clustering; k-means; kesejahteraan
Abstract:Abstract: Bekasi Regency, being one of the key cities in Indonesia, offers a suitable setting to study the intricacies of marriage decision-making during a quarter-life crisis. This study focuses on the application of clustering…
ustering algorithms to categorize individuals based on their marriage choices. Data was collected from a questionnaire completed by 110 respondents from Bekasi Regency, specifically individuals aged 18 to 30 who are single, including 80 women and 30 men. Data analysis was conducted using the RapidMiner software to evaluate the effectiveness of three clustering algorithms K-Means, X-Means, and K-Medoids in categorizing marriage decision patterns among young people experiencing a Quarter Life Crisis in Bekasi Regency. Results indicate that each algorithm has its own strengths and limitations in handling Quarter Life Crisis data.The results of the analysis show that the K-medoids algorithm provides the best clustering results with the lowest DBI value of 0.195, followed by the X-Means algorithm with a value of 0.199 and K-Means with a value of 0.207. These results can help understand the pattern of marriage decisions in the Quarter Life Crisis phase and help provide insights for policymakers in Bekasi Regency to make more effective intervention programs.
Keywords: K-Means; K-Medoids; X-Means
Abstrak: Sebagai salah satu kota besar di Indonesia, Kabupaten Bekasi memberikan konteks yang tepat untuk mempelajari kompleksitas pengambilan keputusan pernikahan di tengah krisis seperempat usia. Penelitian ini berfokus pada pemanfaatan algoritma clustering untuk mengelompokkan individu berdasarkan pilihan pernikahan mereka. Data diambil dari kuesioner yang diisi oleh 110 responden di Kabupaten Bekasi, yang terdiri dari individu lajang berusia 18 hingga 30 tahun, yaitu 80 perempuan dan 30 laki-laki. Analisis data dilakukan dengan perangkat lunak RapidMiner untuk mengevaluasi efektivitas tiga algoritma pengelompokan—K-Means, X-Means, dan K-Medoids—dalam mengelompokkan pola keputusan pernikahan di kalangan pemuda yang menghadapi Quarter Life Crisis di Kabupaten Bekasi. Hasilnya menunjukkan bahwa setiap algoritma memiliki keunggulan dan kelemahannya masing-masing dalam memproses data Quarter Life Crisis. Hasil analisis menunjukkan bahwa algoritma K-medoids memberikan hasil clustering terbaik dengan nilai DBI terendah yaitu 0.195, diikuti oleh algoritma X-Means dengan nilai 0.199 dan K-Means dengan nilai 0.207. Hasil ini dapat membantu memahami pola keputusan menikah pada fase Quarter Life Crisis dan membantu memberikan wawasan bagi pembuat kebijakan di Kabupaten Bekasi membuat program intervensi yang lebih efektif.
Kata kunci: K-Means; K-Medoids; X-Means
Abstract:Abstract: Clustering methods such as K-Means and K-Medoids are often used to analyze data, including student data, due to their efficiency. However, this method has weaknesses, such as sensitivity to selecting cluster centers…
nters (centroids) and cluster results that depend on medoid data. Clustering, an essential technique in data analysis, aims to reveal the natural structure of the data, even in the absence of labeled information. The study, conducted with complete objectivity, compared the performance of two popular clustering methods, K-Means, and K-Medoids, on student data. Three evaluation metrics, namely the Davies-Bouldin Index (DBI), silhouette score, and elbow method, were used to compare clustering and determine the ideal number of clusters for the two algorithms. The data taken in this study are in the form of names, attendance, assignments, formative, midterm exams, final exams, and quality numbers. Based on the existing optimization results, it can be concluded that the K-Means method excels in grouping Student Data. The best results were obtained from the K-Means Algorithm with the Silhouette Coefficient Method with a value of 0.7509 in cluster 2, and the Elbow Method with a value of 1428076.08 in cluster 2, DBI K-Medoids with a value of 0.7413 in cluster 3. So, the best cluster lies in 3 clusters.
Keywords: clustering; davies-bouldin indek; elbow method; k-means; k-medoids; silhouette score;
Abstrak : Metode clustering seperti K-Means dan K-Medoids sering digunakan untuk menganalisis data, termasuk data siswa, karena efisiensinya. Namun, metode ini memiliki kelemahan, seperti sensitivitas terhadap pemilihan pusat klaster (centroids) dan hasil klaster yang bergantung pada data medoid. Clustering, sebuah teknik penting dalam analisis data, bertujuan untuk mengungkapkan struktur alami dari data, bahkan tanpa adanya informasi berlabel. Penelitian ini, yang dilakukan dengan objektivitas penuh, membandingkan kinerja dua metode clustering populer, yaitu K-Means dan K-Medoids, pada data mahasiswa. Tiga metrik evaluasi, yaitu Davies-Bouldin Index (D.B.I.), silhouette score, dan metode elbow, digunakan untuk membandingkan clustering dan menentukan jumlah cluster yang ideal untuk kedua algoritma tersebut. data yang diambil dalam penelitian ini berupa nama, kehadiran, tugas, formatif, ujian tengah semester, ujian akhir semester, angka mutu. Berdasarkan hasil optimasi yang ada, dapat disimpulkan bahwasannya metode K-Means unggul dalam pengelompokkan Data Mahasiswa. Sehingga di peroleh hasil terbaik dari Algoritma K-Means dengan Metode Silhouette Coefficient dengan nilai 0,7509 di cluster 2, dan Elbow Method dengan nilai 1428076,08 di cluster 2, DBI K-Medoids dengan nilai 0,7413 di cluster 3. Sehingga cluster terbaik terletak pada 3 cluster.
Kata kunci: klasterisasi; davies-bouldin indek; elbow method; k-means; k-medoids; silhouette score;
Abstract:Abstract: In the current era of very fast technological development, customer churn is a serious challenge, especially in the competitive telecommunications industry. Churn refers to customers who stop using a service or…
move to another provider, and can be categorized into three types: Active Churn, Passive Churn, and Rotational Churn. Rotational Churn, which is difficult to predict be- cause the reasons for stopping are unclear, is the main focus of this research. This research aims to group Rotational Churn customers using a Data-Centric AI approach. This approach emphasizes improving data quality through Confident Learning and Synthetic Data before being applied to the K-Means clustering algorithm. The data used in this research is customer churn data from one telecommunications company during 2023. The research results show that customer grouping using the K-Means algorithm can provide deep insight into the characteristics of customer churn. The application of Data-Centric AI is proven to be able to increase the accuracy of clustering models, which ultimately helps compa- nies optimize programs and services to minimize churn and retain customers.
Keywords: data-centric AI; clustering; K-means
Abstrak: Dalam era perkembangan teknologi yang sangat pesat saat ini, churn pelanggan menjadi tantangan serius, terutama dalam industri telekomunikasi yang sangat kompetitif. Churn mengacu pada pelanggan yang berhenti menggunakan layanan atau beralih ke penyedia lain, dan dapat dikategorikan menjadi tiga jenis: Churn Aktif, Churn Pasif, dan Churn Rotasional. Churn Rotasional, yang sulit diprediksi karena alasan penghentian layanan tidak jelas, menjadi fokus utama penelitian ini. Penelitian ini bertujuan untuk mengelompokkan pelanggan Churn Rotasional menggunakan pendekatan Data-Centric AI. Pendekatan ini menekankan pada peningkatan kualitas data melalui Confident Learning dan Synthetic Data sebelum diterapkan ke algoritma K-Means clustering. Data yang digunakan dalam penelitian ini adalah data churn pelanggan dari satu perusahaan telekomunikasi selama tahun 2023. Hasil penelitian menunjukkan bahwa pengelompokan pelanggan menggunakan algoritma K-Means dapat memberikan wawasan mendalam tentang karakteristik churn pelanggan. Penerapan Data-Centric AI terbukti mampu meningkatkan akurasi model klastering, yang pada akhirnya membantu perusahaan mengoptimalkan program dan layanan untuk meminimalkan churn serta mempertahankan pelanggan.
Kata kunci: data-Centric AI; klasterisasi; K-means
Abstract:Abstract: Twitter occupies the top position of the most popular social media platform in Indonesia. Police and other related issues were the subject of much discussion. The aim of this research is to analyze public sentiment…
ment towards the National Police Agency using Twitter with the support vector machine method. The research started by crawling Twitter data. The data contains a total of 6,925 entries for three keywords. Next, we move on to the preprocessing stage consisting of (cleaning, case folding, tokenization, and filtering). Next is the tf-idf feature extraction stage, finally the classification and evaluation stage. The results of manual data inspection (73:27) showed accuracy of 70.66%, precision of 70.68%, and recall of 99.76%. Testing the second data (82:18), found accuracy 86%, precision 86.21%, recall 99.71%. The results of manual data checking (82:18) showed accuracy of 70.66%, precision of 70.68%, recall of 99.76%. Testing the second data (82:18), found accuracy 86%, precision 86.21%, recall 99.71%. From the data system testing results (80:20), accuracy was 87.55%, positive precision 87.53%, negative precision 88.24%, positive recall 99.48%, and negative recall. the rate is 99.48.% – The result is 21.43%. Data testing results (60:40) showed accuracy of 86.89%, positive precision of 86.84%, negative precision of 88.46%, positive recall of 99.61%, and negative recall of 16.43%. Single test data validation system (80:20), accuracy 87.55, overall test cross validation system (k fold 5 accuracy) 86.673%.
Keywords: data mining;police agencies;support vector machines
Abstrak: Twitter menduduki posisi teratas platform media sosial terpopuler di Indonesia. Polisi dan masalah terkait lainnya menjadi pokok bahasan banyak pembicaraan. Tujuan penelitian ini untuk menganalisis sentimen masyarakat terhadap Badan Kepolisian Nasional menggunakan Twitter dengan metode support vector machine. Penelitian dimulai dengan crawling data Twitter. Data memuat total 6.925 entri dari tiga kata kunci. Selanjutnya beralih ke tahap preprocessing terdiri dari (pembersihan, pelipatan kasus, tokenisasi, dan pemfilteran). Selanjutnya tahap ekstraksi fitur tf-idf, terakhir tahap klasifikasi dan evaluasi. Hasil pemeriksaan data manual (73:27) menunjukkan akurasi 70,66%, presisi 70,68%, dan recall 99,76%. Menguji data kedua (82:18), menemukan akurasi 86%, presisi 86,21%, recall 99,71%. Hasil pemeriksaan data secara manual (82:18) menunjukkan akurasi 70,66%, presisi 70,68%, recall 99,76%. Menguji data kedua (82:18), menemukan akurasi 86%, presisi 86,21%, recall 99,71%. Dari hasil pengujian sistem data (80:20), akurasi 87,55%, presisi positif 87,53%, presisi negatif 88,24%, recall positif 99,48%, dan recall negatif. tarifnya adalah 99,48.% – Hasilnya 21,43%. Hasil pengujian data (60:40) menunjukkan akurasi 86,89%, presisi positif 86,84%, presisi negatif 88,46%, recall positif 99,61%, dan recall negatif 16,43%. Uji tunggal sistem validasi data (80:20), akurasi 87,55, uji keseluruhan sistem validasi silang (akurasi k fold 5) 86,673%.
Kata Kunci: data mining;instansi kepolisian;mesin vektor pendukung
Abstract:Abstract: Usability testing of online animal adoption systems is important because it is not only related to the comfort and safety of users, but also to the welfare of the adopted animals. So far, usability testing of the…
he animal adoption system on Eidos has not been carried out and there is a problem that there is confusion with the process flow in this animal adoption system. This usability testing uses the Heuristic Evaluation method and the System Usability Scale (SUS), which involves in-depth interviews to obtain results that are not only statistical assessments, but also deeper insights from the user's perspective. The results of the evaluation using Heuristic Evaluation obtained 59 problems, with an average severity rating of 3 or major, whose improvements have resulted in several draft design recommendations. The recommendation design has gone through final testing using the System Usability Scale (SUS) which managed to achieve a score of 78, or categorized as good, along with some minor critical feedback for system improvement. Therefore, users as a whole feel very satisfied in using the online adoption system from the results of the existing recommendation design. The implications of the resulting recommendation design have been tested for usability by three UI/UX design experts and users directly so that they can be used as a basis for developing a better online animal adoption system.
Keywords: animal adoption system; heuristic; prototype; system usability scale; usability
Abstrak: Pengujian usability sistem adopsi hewan secara online penting untuk diperhatikan karena tidak hanya berkaitan dengan kenyamanan dan keamanan penggunanya saja, tetapi juga meningkatkan kesejahteraan hewan yang diadopsi. Sejauh ini, pengujian usability dari sistem adopsi hewan pada Eidos masih belum dilakukan dan ditemukannya masalah bahwa adanya kebingungan dengan alur proses dalam sistem adopsi hewan ini. Pengujian usability ini menggunakan metode Heuristic Evaluation dan System Usability Scale (SUS), yang melibatkan in-depth interview untuk memperoleh hasil yang bukan hanya berupa penilaian statistik saja, melainkan juga wawasan yang lebih mendalam dari sudut pandang pengguna. Hasil evaluasi menggunakan Heuristic Evaluation mendapatkan 59 permasalahan, dengan rata-rata perhitungan severity rating sebesar tiga atau major, yang perbaikannya telah menghasilkan beberapa rancangan desain rekomendasi. Adapun desain rekomendasi tersebut telah melalui pengujian akhir menggunakan System Usability Scale (SUS) yang berhasil meraih skor sebesar 78, atau terkategori good, disertai beberapa umpan balik kritis yang bersifat minor untuk peningkatan sistem. Dengan demikian, pengguna secara keseluruhan merasa sangat puas dalam menggunakan sistem adopsi online dari hasil desain rekomendasi yang ada. Implikasi desain rekomendasi yang dihasilkan telah teruji kegunaannya oleh sebanyak tiga ahli UI/UX design dan pengguna secara langsung sehingga dapat digunakan sebagai landasan bagi pengembangan sistem adopsi hewan secara online yang lebih baik.
Kata kunci: heuristik; kebergunaan; prototipe; sistem adopsi hewan; system usability scale
Abstract:Abstract: Technology is a tool for processing, storing and modifying data to obtain informatio. Decision Support System (DSS) a based model-based with data processing procedures and considerations to assist manager in decision…
ecision making. In the context of UD.Wendy Jaya which still uses manual methods for selecting superior cement, this is considered less effective and ineffcient, resulting in cement selection that does not meet the criteria and lacks accuracy. This research employs a quantitative method with the aim of determining decisions for selecting superior cemen and designing a decision support system using the Simple Additive Weighting (SAW) method based on predetermined criteria. The implementation result show that the decision support system for determining superior cement provides convenience and speed in selecting superior cement at UD Wendy Jaya according to the expected criteria. The results of calculations using the simple additive weighting (SAW) method rank each alternative, with the most superior alternative being three-wheel cement, considering several criteria such as price, compressive, strength, fineness, water capacity and setting time.
Keywords: simple additive weighting (SAW); decision support system; UD.wendy jaya
Abstrak: Teknologi adalah alat untuk mengolah, menyimpan, dan memodifikasi data guna mendapatkan informasi. Sistem Pendukung Keputusan (Decision Support System/DSS) merupakan sistem berbasis model dengan prosedur pemrosesan data dan pertimbangan untuk membantu manajer dalam pengambilan keputusan. Dalam konteks Toko UD. Wendy Jaya, yang masih menggunakan cara manual untuk pemilihan semen unggul, hal ini dianggap kurang efektif dan tidak efisien, mengakibatkan pemilihan semen tidak sesuai kriteria dan tidak akurat. Penelitian ini menggunakan metode kuantitatif, dengan tujuan untuk mengetahui keputusan pemilihan semen unggul dan merancang sistem pendukung keputusan menggunakan metode Simple Additive Weighting (SAW) berdasarkan kriteria yang ditentukan. Hasil implementasi menunjukkan bahwa sistem pendukung keputusan Menentukan Semen Unggul memberikan kemudahan dan kecepatan dalam pemilihan semen unggul pada Toko UD. Wendy Jaya sesuai dengan kriteria yang diharapkan. Hasil dari perhitungan dengan menggunakan metode Simple Additive Weighting (SAW) adalah perangkingan setiap alternatif yaitu diperoleh alternatif yang paling unggul adalah semen tiga roda ditinjau dari beberapa kriteria harga, kuat tekanan, kehalusan, kapasitas air dan waktu mengeras.
Kata kunci: simple additive weighting (SAW); sistem pendukung keputusan; UD.wendy jaya
Abstract:Abstract: Artificial Intelligence (AI) is currently gaining popularity across various industries, including healthcare, finance, and others. In this study, AI technology is employed to devise an optimal marketing strategy…
y for Code Verse Computer Accessories Store using the K-Means algorithm. As part of machine learning, the K-Means algorithm, categorized under unsupervised learning, is implemented to cluster sales data for computer accessory products over the last three months of 2023. The results of the K-Means analysis identify two main clusters. Cluster one (Cluster 1) comprises products such as Mouse, Keyboard, Monitor, Headset, and Speaker, indicating consistent purchasing patterns and high consumer interest. Recommendations are made to increase stock for Cluster 1. Meanwhile, Cluster two (Cluster 2) consists of Mic products with lower interest, and it is not advisable to increase stock. The implementation of K-Means provides insights into purchasing patterns, enabling Code Verse to develop more effective marketing and inventory management strategies.
Keywords: K-Means algorithm; artificial intelligence; clustering
Abstract: Kecerdasan Buatan (AI) kini meraih popularitas dalam berbagai industri, termasuk sektor kesehatan, keuangan, dan lainnya. Pada penelitian ini, teknologi AI digunakan untuk merancang strategi pemasaran optimal bagi Toko Aksesoris Komputer CodeVerse dengan menggunakan Algoritma K-Means. Sebagai bagian dari machine learning, Algoritma K-Means, yang termasuk dalam kategori unsupervised learning, diimplementasikan untuk mengelompokkan data penjualan produk selama tiga bulan terakhir tahun 2023. Hasil dari analisis K-Means mengidentifikasi dua cluster utama. Cluster pertama (Cluster 1) terdiri dari produk Mouse, Keyboard, Monitor, Headset, dan Speaker, menunjukkan pola pembelian yang konsisten dan tingginya minat konsumen. Rekomendasi untuk menambah stok diberikan. Sementara itu, Cluster kedua (Cluster 2) terdiri dari produk Mic dengan minat lebih rendah, dan tidak disarankan untuk menambah stok. Implementasi K-Means memberikan wawasan tentang pola pembelian, memungkinkan CodeVerse mengembangkan strategi pemasaran dan manajemen persediaan yang lebih efektif.
Keywords: Algoritma k-means; kecerdasan buatan; clustering